情感分析（Sentiment analysis）是自然语言处理的重要领域之一,其目的是从各种数据源中收集基于特定主题的主观意见或感受。但是情感分析在带有复合情感的句子中可能无法准确分析出不同方面情感倾向。因此更具细粒度的情感分析任务,方面级的情感分析（Aspect-based sentiment analysis）被提出,这个任务旨在识别出被分析主体涉及到的多个方面的情感倾向。方面情感分析由多个子任务组成,包括方面词抽取、观点词抽取、方面情感分类与情感极性分析等。方面词抽取任务与观点词抽取任务是方面情感分析的两个子任务,已经有许多工作在这两个子任务中得到了进展,但是这两个子任务经常被独立考虑,忽略了方面词与观点词之间语义是紧密相关的。针对该问题本文在现有算法的研究基础上,提出将两个子任务视为一个整体,并为其实现一个多任务框架,让两个子任务能更好的完成信息的抽取,主要的研究内容包括以下三点:1)针对静态词向量无法根据具体语句进行调整的局限性,本文提出使用BERT预训练模型作为模型的词嵌入层。BERT提供动态词向量,可以根据数据集的不同动态调整词向量,调整后的词向量能更好的表达语义信息,从而提升抽取任务的准确率。2)将方面词抽取任务获取的方面词信息作为观点词抽取任务的输入,提升观点词抽取任务性能。并对现有面向目标的观点词抽取任务模型的特征抽取层进行改进。3)提出使用管道模型与联合模型将方面词抽取任务与观点词抽取任务结合,搭建一个多任务框架。联合模型中多个任务共享词嵌入层,使多个任务能通过词嵌入层进行信息交互,这种结构可以有效减少上游模型预测错误导致的错误传播,进而提升下游模型的抽取能力。本文在方面词抽取与观点词抽取两个子任务上,通过联系两个相关模块以及对现有模型提出优化方案,并通过实验证明了使用多任务框架将相关模块结合,能让模型效果得到提升。